LangChain 源码学习
20 天 · 每天 30 分钟 · 逐层读懂 LangChain 这套"LLM 应用开发框架"——monorepo 里的 libs/core/langchain_core（一切抽象的地基：Runnable、消息、Prompt、输出解析、工具、回调）、libs/langchain_v1/langchain（新版主包：init_chat_model、create_agent）、libs/text-splitters、libs/partners（各厂商适配）。真源码走读（带真实 file:line）+ 逐行大白话 + 设计取舍 + 边界坑点，0 基础也能跟。
开篇 · 这是个什么框架
LangChain 是最流行的开源 LLM 应用开发框架（Python）。它把"调大模型做应用"这件事拆成可组合的积木：Prompt 模板负责拼输入、ChatModel 负责统一调几十家模型、输出解析器负责把模型回复变成程序能用的结构、工具/Agent 负责让模型"动手做事"、Retriever/VectorStore 负责 RAG 检索——所有积木都实现同一个接口 Runnable，于是能用一根竖线 | 像搭水管一样串起来（LCEL）。
🎯 一句话：LangChain = 一个统一接口（Runnable）+ 一堆实现了它的积木 + 一个把积木串成管道的语法（LCEL 的 |）。你写 chain = prompt | model | parser，然后 chain.invoke({"topic": "猫"})——数据像水一样流过三节管道，出来就是干净的字符串。这 20 天，我们就从这根竖线开始，一层层读进源码。
Runnable 与 LCEL
runnables/base.py 六千多行：invoke/stream/batch 三件套 + | 组合，全框架的地基。
模型抽象
BaseChatModel 统一几十家厂商：缓存、流式、回调、限流一处搞定，厂商包只写 _generate。
RAG 全家桶
Document / 切分 / Embeddings / VectorStore / Retriever，一条龙抽象。
工具与 Agent
@tool 装饰器、bind_tools、create_agent（底层是 LangGraph），让模型能调用外部世界。
libs/ 下——libs/core/langchain_core（核心抽象，pip 包名 langchain-core）；libs/langchain_v1/langchain（新版 v1 主包，pip 包名就叫 langchain）；libs/langchain/langchain_classic（旧版兼容包 langchain-classic）；libs/text-splitters（文本切分）；libs/partners/（openai/anthropic/ollama 等厂商适配）。本教程 80% 精力在 langchain_core——它是一切的地基。架构全景（动起来看）
下图那颗发光小球是"一次 chain.invoke() 从进门到吐出结果"的旅程。从上到下：你的应用代码 → 组合层 → 抽象层 → 厂商实现。
LangChain 的心智模型是"一切皆 Runnable → 用 | 串成 Sequence → invoke 时逐节流过、config 一路随行"——一次最简单的链就是：
langchain_core 的接口，换模型厂商只改一行 init_chat_model("...")；厂商包只需实现 _generate/_stream 两个钩子，缓存、回调、重试这些"共性脏活"全部由基类兜住。这和你学过的 Dify（ModelInstance 统一门面）、LangGraph（Pregel 引擎与节点分离）是同一种思路。怎么用这份教程
每天 30 分钟
一天一个独立页面，跟着"今日小结 + 10 分钟动手 + 明日预告"收尾。
零基础友好
不假设你懂泛型/异步/RAG，术语首次出现都有大白话解释。
真源码 + 行号
关键代码标 文件:行号，逐行走读，可在真源码里跳转对照。
设计取舍 + 边界
每天讲"为什么这么设计"和"坑在哪"，不止是 API 说明。
项目全景与分包
monorepo libs/ 五大包：core / langchain(v1) / classic / text-splitters / partners，谁依赖谁、pip 装的是哪个。
环境搭建 + 第一个链
装包、init_chat_model 一行拿模型，跑通最小链 prompt | model | parser，看懂每节管道。
Runnable 与 LCEL 管道
runnables/base.py：Runnable 基类、__or__ 为什么能用竖线、RunnableSequence 怎么拼起来。
一次 invoke 的完整旅程
RunnableSequence.invoke 逐步执行、RunnableConfig 怎么一路随行、回调树怎么长出来。
ChatModel 抽象
language_models/chat_models.py BaseChatModel：invoke→generate→_generate_with_cache 主线，缓存与流式怎么被基类兜住。
消息体系
messages/：HumanMessage / AIMessage / ToolMessage、tool_calls、消息块合并。
Prompt 模板
prompts/：PromptTemplate / ChatPromptTemplate / MessagesPlaceholder / few-shot。
输出解析与结构化输出
output_parsers/：Str / Json / Pydantic 解析器 + with_structured_output。
Document 与加载
documents/ 与 document_loaders/ 抽象：page_content + metadata 的世界。
文本切分
libs/text-splitters：base.py / character.py / markdown.py，chunk_size 与 overlap 的门道。
Embeddings 与 VectorStore
embeddings/ 与 vectorstores/ 抽象 + InMemoryVectorStore 真实现。
Retriever 与 RAG 链
retrievers.py BaseRetriever、as_retriever、把检索问答链组装起来。
Tool 抽象
core tools/：@tool 装饰器、BaseTool / StructuredTool、args_schema 怎么生成。
工具调用闭环
bind_tools、AIMessage.tool_calls、ToolMessage 回填，一圈跑完。
Agent
libs/langchain_v1/langchain/agents：create_agent、ReAct 循环，与 LangGraph 的关系。
记忆与对话历史
runnables/history.py RunnableWithMessageHistory、chat_history.py。
回调与流式
callbacks/：CallbackManager、astream / astream_events 事件流。
LCEL 高级组合
passthrough / branch / fallbacks / retry / configurable / router，组合子全家桶。
追踪与可观测
tracers/：LangSmith 追踪原理、Run 树怎么长出来。
收官 · 知识地图串讲
全 20 天地图 + 生态关系：core/classic/v1/partners 与 LangGraph/LangSmith + 学习建议。
🚀 前 5 天已就绪！先建立整体地图（D01-02），再打穿框架地基 Runnable/LCEL（D03-04）和模型抽象（D05）。准备好了就从 Day 01 · 项目全景与分包 开始。